加州大学研究团队开发出光学机器学习高速识别物体

加州大学洛杉矶分校的电气工程师 Aydogan Ozcan 的研究团队同时使用了机器学习技术、光学工具和 3D 打印技术，开发出了可高速识别物体的识别系统。不像普通的计算机，这种系统不需要提供外接电源，只需要提供初始光源和一个简单的探测器即可。

研究团队首先提出了一种全光学的深度学习框架——衍射深度神经网络(Diffractive Deep Neural Network，D2NN)，该架构采用基于深度学习算法的无源衍射层(passive diffractive layers)设计，经误差反向传播法(error back-propagation method)训练后，能够以接近光速的高速处理能力，实现多种机器学习的复杂功能。团队最后采用 3D 打印制造出了这种光学架构，实现了手写数字和时尚产品的图像分类。该成果已经发表于《Science》杂志上。

这一成果新颖之处不在深度学习部分，而是光学工程部分和使用 3D 打印“人工神经网络”的能力。“以前构建这样一个光学网络的工作要么仅仅停留在理论上，要么也只能构建一个又小有简单的系统。

Ozcan 团队希望使用该系统来模仿各种动物的眼睛，这些动物的眼睛处理光线和图像的方式与人眼不同。如果在光学显微镜中使用的是较短波长的光的话，这一系统也可以用于显微镜应用和医学成像。

研究人员正在努力提高训练模型的性能。在手写数字识别实验中，他们的人工网络在识别新的手写数字时准确度约为 91.75%。他们还希望扩大打印的人工网络的尺寸，目前论文中报道的尺寸为 8 cm×8 cm。“增加更多的层数，我们可以以更高准确率实现更复杂的任务”。